近年来，随着图像数据获取量的极速增加，深度学习如卷积神经网络方法展现出比很多传统机器学习方法明显更优的性能，在SAR图像分类领域受到了大量关注。然而，这些方法以监督分类策略为主，通常需要大量标注训练样本，并且性能受样本的标注质量影响显著。与普通光学图像相比，SAR图像的视觉直观性不足，其标注往往需要丰富的经验或专业知识，因此要完成SAR图像的高质量标注非常费时费力，这很大程度上限制了监督深度学习方法在SAR图像分类中的应用。为减少监督分类方法对样本标注质量的依赖，弱监督策略最近受到了广泛关注。不同于传统监督分类方法采用像素级的精细标注样本，此类方法从粗略标注的信息较“弱”的样本出发，通过充分挖掘样本信息来弥补标注精度低带来的不良影响。典型的样本粗略标注方法包括物体框标注、点标注、简笔画标注和图像级标注等，其简单易行，实现效率高。
图1 极化SAR数据样本的像素级标注与物体框标注对比示意图
目前，限于数据自身特点和样本数据集规模等因素，弱监督分类方法主要集中在计算机视觉领域，在SAR图像处理领域的研究还相对较少。鉴于此，从粗略标注的物体框标注样本出发，空军工程大学秦先祥讲师等研究了一种基于复值卷积神经网络（CV-CNN）样本精选的极化SAR图像弱监督分类方法。该工作拟发表在《雷达学报》2020年第3期“雷达遥感应用”专题“基于复值卷积神经网络样本精选的极化SAR图像弱监督分类方法”（秦先祥，余旺盛，王鹏，陈天平，邹焕新），现已网络优先出版。该文方法的核心思想是将物体框标注样本视为包含异质成分的样本，通过基于CV-CNN迭代分类策略对样本进行精选，剔除其中的异质成分，再结合较成熟的全监督分类方法即可完成极化SAR图像的分类。
图2 物体框标注样本精选方法流程图